Apprentissage profond pour l'approximation d'une distance d'édition entre graphes
Résumé
Dans cet article, nous proposons une méthode d'appproximation de la distance d'édition entre graphes basée sur l'utilisation de deux techniques récentes d'apprentissage profond : la convolution dilatée et le Spatial Pyramid Pooling (SPP). L'approche proposée prend en entrée la matrice de taille variable utilisée par l'approximation BP-GED [RNB07]. Après une transformation permettant d'introduire une invariance aux permutations dans la matrice, la combinaison des deux techniques d'apprentissage permet d'obtenir un vecteur de caractéristiques de taille fixe, utilisé en entrée de couches denses modélisant un régresseur. L'approche proposée est évaluée sur deux bases de graphes de référence. Les résultats obtenus sont comparés avec ceux de la seule approche qui exploite de l'apprentissage pour approximer la distance d'édition. Les résultats obtenus, bien qu'à confirmer sur un nombre plus important de bases, montrent la supériorité de l'approche proposée.
Fichier principal
Apprentissage_profond_pour_l_approximation_d_une_distance_d__dition_entre_graphes.pdf (444.01 Ko)
Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)
Loading...